深度学习在珊瑚礁可扩展语义三维建模中的应用
本研究构建了一个包含超过 20,000 张高分辨率珊瑚图像的数据集,使用了七个深度学习架构并提出了一种新的多标签方法,能够准确分类珊瑚状况和提取生态信息,进而为珊瑚图像档案的开发、指导保育活动以及对礁区管理者和保育人员的决策提供参考。该方法在数据集上表现出优越的性能,并展示了业界最先进技术 (State-Of-The-Art)。未来的研究应提高其适用性和准确性,以支持全球珊瑚保育工作。
Mar, 2024
我们提出了一种利用 YOLO 深度学习模型的自动珊瑚检测系统,该系统针对水下图像分析进行了专门设计,该系统在原始图像数据集上成功实现了高效准确的珊瑚检测,突显了高级计算机视觉技术在珊瑚礁研究和保护中的潜力。
Apr, 2024
通过结合海洋数据科学、深海探索、自主水下载具、水下成像和机器人三维重建等技术的最新发展,我们提出了一个系统,可在海底面积达公顷级的范围内进行自动化的机器人三维重建。该系统经过多次研究航行的测试和评估,展示了在真实条件下的稳定性和实用性。
Aug, 2023
本研究采用无人监督机器学习框架 Reef-insight,并结合遥感数据进行珊瑚礁生态系统管理和研究,结果表明该框架可以生成详细的礁石和地貌聚类,有助于珊瑚礁生态环境的修复项目。
Jan, 2023
通过进行密集珊瑚视频分割并提供 CoralVOS 数据集,我们能够比现有的珊瑚礁分析算法生成更可靠和深入的珊瑚分析,进一步促进珊瑚礁研究社区。
Oct, 2023
利用自主水下车辆、视觉检测器和摄影测量的方法,我们成功地高分辨率地绘制和识别了珊瑚礁的生物热点图,并发现这些热点图与珊瑚礁生物多样性和丰富度的代理测量 —— 皱度具有一定的相关性,这为珊瑚礁保护管理提供了有价值的信息。
May, 2023
火星勘测计划的主要目标之一是在该星球上寻找过去或现在的生命证据。为了实现这一目标,火星勘测一直关注可能存在液态或冰冻水的地区。本研究利用卷积神经网络检测火星表面的 "大脑珊瑚" 地形,该地形在形态和尺度上与地球上的排序石圈相似,暗示它可能是由于冻融周期形成的。我们使用约 100-1000 兆像素的火星勘测轨道器大图像以接近每像素几十厘米的分辨率(25-50 厘米)搜索这些地形。在搜寻了 52000 多张图像(约 28 TB,占火星表面的 5%)后,在 200 多张图像中发现了这些地形。为了加快处理速度,我们在分割之前利用傅里叶域中的分类器网络(利用离散余弦变换的系数块而不是解码整个图像)利用 JPEG 压缩。这种混合流程方法在保持约 93% 的准确性的同时,总处理时间比在每个图像上以全分辨率运行分割网络削减了约 95%。及时处理大数据集有助于指导任务操作、地质调查以优先考虑候选着陆点、避开危险区域或绘制特定地形的空间范围。分割遮罩和源代码已在 Github 上提供给社区进行探索和构建。
Nov, 2023
本文提出了一种针对自主水下载具 (AUV) 的实时稠密三维重建方法,该方法使用了一个鲁棒的 VIO 方法 SVIn2 和一个实时三维重建管道。该管道在四个具有挑战性的水下数据集上获得了可比拟 COLMAP 的重建结果,并在单 CPU 上获得了高帧率。
Apr, 2023
DeepFish 提出了一个大规模的、适用于多个计算机视觉任务的数据集,该数据集包含了约 40,000 张图像,覆盖了 20 个热带海洋环境的鱼类栖息地,并且收集了点级别和分割标签,可以用于鱼类数量的自动监测、位置的标识和大小的估计。该数据集可以作为一个测试基准,用于激励在这一具有挑战性的水下计算机视觉领域的进一步发展。
Aug, 2020
Coral reefs are vital but threatened, and the paper presents BenthIQ, a transformer-based model that outperforms traditional CNN and attention-based models in the pixel-wise classification of underwater substrates, demonstrated through a case study in French Polynesia.
Nov, 2023